基于稀疏共空间模式和正则化判别分析方法的脑电运动意图识别研究
发布时间：2020-12-22 15:27
脑-机接口（BCI）是使人可以在跳过外围神经系统和肌肉的情况下,只需采集大脑发出的信号便可实现与计算机或者其他设备通信的系统。而诸如运动想象脑电信号（EEG）的主动式脑电信号分类又是脑-机接口系统中的重要问题。但目前运动想象脑电信号等应用仍然需要采集多通道的脑电信号并且识别准确度往往难以达到要求。而脑电信号处理过程中预处理、特征提取以及任务分类都会影响到整个分类结果。本文以运动想象脑电信号为研究对象,通过实验分析确定了最佳预处理方法,并提出了脑电信号的稀疏特征提取和正则化的判别分析方法,最终提高整个判别系统的分类性能。论文的主要工作内容如下:（1）通过查阅资料获取公开数据集,并自主设计实验获取到自主实验数据集,在这两种数据集下展开研究。信号的预处理往往对信号的分类有着重要的影响,为此,本文分别对两种数据集验证了不同方式的预处理方法,通过得到的结果选择较优的预处理手段对原始脑电信号进行了相应的滤波处理。（2）针对多通道脑电信号分类识别中各通道数据以及空间滤波器的数据选择方面往往缺乏有效的策略这一问题,提出了一种新的特征提取算法:稀疏共空间模式（SCSP）算法。采用稀疏共空间模式可以有效克...
【文章来源】：燕山大学河北省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
神经网络与脑电信号
燕山大学工学硕士学位论文-16-“维数灾难”的问题，很多原本适用于低维判别分析的算法不再适用。为解决这一问题，往往采取降维的手段。Fihser方法就可以有效地实现数据降维，进而很好的解决这一问题。Fisher分类方法，即线性判别分析（LinearDiscriminationAnalysis，LDA）根据两类信号类内密集、类间分离的原则寻找最佳的投影向量，通过压缩维数将多维特征空间的点压缩在一条直线上，进而达到降维的目的[69]。将多维数据投影到一条直线上，多维数据便降为一维，这一过程并不难实现。但如果随意选择投影直线，就不能保证将不同类别信号分开，如图2-3所示，如果投影到最不利的方向，则无法将两类数据分开。但是指定能找到一个最佳投影方向，将多维数据向这一方向投影后，两类数据便很容易就能分开。所以找到一个最佳投影方向至关重要。线性判别分析算发就提供了最佳投影直线的寻找方法，算法实现过程如下：图2-3线性判别方法原理（1）计算各类样本的均值向量mi，mi是各个类的均值，Ni是wi类的样本个数。11,2iiXwmXiN==（2-8）（2）计算样本的类内离散度矩阵Si和总类内离散度矩阵Sw。()()1,2iiiiXwSXmXmi==（2-9）w12S=S+S（2-10）（3）计算样本的类间离散度矩阵Sb。
燕山大学工学硕士学位论文-22-图3-3三种空间滤波方法的对比三种滤波器都能够实现信号的去噪，在尽可能保留需要的信息的基础上，使信号更加纯净，进而提高信号的信噪比。如图3-3所示，三种滤波器实现过程中，红色电极表示要进行滤波的电极，其电位大小由标注为绿色的电极的电位作为参考去进行优化。通常情况下，共平均参考方法和大拉普拉斯选择的通道较多或较远，去除噪声效果稍差，但是不容易削弱信号的特征，小拉普拉斯正好相反，具体使用那哪种方法还要结合实际情况而定，在后续实验中，本章将具体分析使用哪一种滤波方法效果好。3.4实验分析为了选择合适的预处理手段，本节详细分析了不同预处理手段对脑电信号判别分析的影响，分别对空间滤波的预处理方法和时频滤波预处理这两种预处理手段进行了对比实验。3.4.1实验数据在3.1节中介绍了两种运动想象脑电数据，，结合数据本身的特点，本章采用自主实验数据验证空间滤波的预处理方法，同时采用第Ⅳ届BCI比赛数据集I验证μ节律和β节律这两个频段的脑电信号在分类结果上的差异。3.4.2μ节律和β节律频段的脑电信号分类结果比较本节采用第Ⅳ届BCI比赛数据集I进行实验，以比较μ节律和β节律下运动想象脑电信号的分类结果。同样采用共空间模式加线性判别分析组合算法对脑电信号进行判别分析。实验结果如图3-4所示。图中ACC表示准确度，MSE表示均方误差。CARSmallLaplacianLargeLaplacian
【参考文献】：
期刊论文
[1]基于Fisher准则的单次运动想象脑电信号意图识别研究[J]. 付荣荣,侯培国,李曼迪. 生物医学工程学杂志. 2018(05)
[2]脑机接口研究概述[J]. 左开伟,刘建平,程馨莹. 中国新通信. 2016(01)
[3]基于共空间模式方法的多类运动想象脑电的导联选择[J]. 周蚌艳,吴小培,吕钊,张磊,郭晓静,张超. 生物医学工程学杂志. 2015(03)
[4]应用于图像特征识别的主成分分析算法[J]. 亓文永,叶心太. 科技信息(科学教研). 2008(22)
[5]浅谈脑—机接口的发展现状与挑战[J]. 高上凯. 中国生物医学工程学报. 2007(06)
[6]基于层次型支持向量机的人脸检测[J]. 马勇,丁晓青. 清华大学学报(自然科学版). 2003(01)
[7]21世纪脑的世纪——新世纪脑科学发展前瞻[J]. 苏坦坡. 中国人才. 2002(01)
[8]“脑的10年”与神经康复研究[J]. 王茂斌. 现代康复. 1999(11)
硕士论文
[1]运动想象脑机接口中模式识别方法研究[D]. 葛荣祥.东南大学 2018
[2]基于运动想象的脑电信号分析研究[D]. 苏振新.南京邮电大学 2017
[3]基于P300和运动想象的脑机接口研究[D]. 孙中钱.山东大学 2013
[4]模糊聚类分析实现多特征融合的人脸识别方法[D]. 高璐.吉林大学 2012
本文编号：2931993
【文章来源】：燕山大学河北省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
神经网络与脑电信号
燕山大学工学硕士学位论文-16-“维数灾难”的问题，很多原本适用于低维判别分析的算法不再适用。为解决这一问题，往往采取降维的手段。Fihser方法就可以有效地实现数据降维，进而很好的解决这一问题。Fisher分类方法，即线性判别分析（LinearDiscriminationAnalysis，LDA）根据两类信号类内密集、类间分离的原则寻找最佳的投影向量，通过压缩维数将多维特征空间的点压缩在一条直线上，进而达到降维的目的[69]。将多维数据投影到一条直线上，多维数据便降为一维，这一过程并不难实现。但如果随意选择投影直线，就不能保证将不同类别信号分开，如图2-3所示，如果投影到最不利的方向，则无法将两类数据分开。但是指定能找到一个最佳投影方向，将多维数据向这一方向投影后，两类数据便很容易就能分开。所以找到一个最佳投影方向至关重要。线性判别分析算发就提供了最佳投影直线的寻找方法，算法实现过程如下：图2-3线性判别方法原理（1）计算各类样本的均值向量mi，mi是各个类的均值，Ni是wi类的样本个数。11,2iiXwmXiN==（2-8）（2）计算样本的类内离散度矩阵Si和总类内离散度矩阵Sw。()()1,2iiiiXwSXmXmi==（2-9）w12S=S+S（2-10）（3）计算样本的类间离散度矩阵Sb。
燕山大学工学硕士学位论文-22-图3-3三种空间滤波方法的对比三种滤波器都能够实现信号的去噪，在尽可能保留需要的信息的基础上，使信号更加纯净，进而提高信号的信噪比。如图3-3所示，三种滤波器实现过程中，红色电极表示要进行滤波的电极，其电位大小由标注为绿色的电极的电位作为参考去进行优化。通常情况下，共平均参考方法和大拉普拉斯选择的通道较多或较远，去除噪声效果稍差，但是不容易削弱信号的特征，小拉普拉斯正好相反，具体使用那哪种方法还要结合实际情况而定，在后续实验中，本章将具体分析使用哪一种滤波方法效果好。3.4实验分析为了选择合适的预处理手段，本节详细分析了不同预处理手段对脑电信号判别分析的影响，分别对空间滤波的预处理方法和时频滤波预处理这两种预处理手段进行了对比实验。3.4.1实验数据在3.1节中介绍了两种运动想象脑电数据，，结合数据本身的特点，本章采用自主实验数据验证空间滤波的预处理方法，同时采用第Ⅳ届BCI比赛数据集I验证μ节律和β节律这两个频段的脑电信号在分类结果上的差异。3.4.2μ节律和β节律频段的脑电信号分类结果比较本节采用第Ⅳ届BCI比赛数据集I进行实验，以比较μ节律和β节律下运动想象脑电信号的分类结果。同样采用共空间模式加线性判别分析组合算法对脑电信号进行判别分析。实验结果如图3-4所示。图中ACC表示准确度，MSE表示均方误差。CARSmallLaplacianLargeLaplacian
【参考文献】：
期刊论文
[1]基于Fisher准则的单次运动想象脑电信号意图识别研究[J]. 付荣荣,侯培国,李曼迪. 生物医学工程学杂志. 2018(05)
[2]脑机接口研究概述[J]. 左开伟,刘建平,程馨莹. 中国新通信. 2016(01)
[3]基于共空间模式方法的多类运动想象脑电的导联选择[J]. 周蚌艳,吴小培,吕钊,张磊,郭晓静,张超. 生物医学工程学杂志. 2015(03)
[4]应用于图像特征识别的主成分分析算法[J]. 亓文永,叶心太. 科技信息(科学教研). 2008(22)
[5]浅谈脑—机接口的发展现状与挑战[J]. 高上凯. 中国生物医学工程学报. 2007(06)
[6]基于层次型支持向量机的人脸检测[J]. 马勇,丁晓青. 清华大学学报(自然科学版). 2003(01)
[7]21世纪脑的世纪——新世纪脑科学发展前瞻[J]. 苏坦坡. 中国人才. 2002(01)
[8]“脑的10年”与神经康复研究[J]. 王茂斌. 现代康复. 1999(11)
硕士论文
[1]运动想象脑机接口中模式识别方法研究[D]. 葛荣祥.东南大学 2018
[2]基于运动想象的脑电信号分析研究[D]. 苏振新.南京邮电大学 2017
[3]基于P300和运动想象的脑机接口研究[D]. 孙中钱.山东大学 2013
[4]模糊聚类分析实现多特征融合的人脸识别方法[D]. 高璐.吉林大学 2012
本文编号：2931993
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/2931993.html
